CN114357232A - 提取船舶航迹线特征的处理方法、系统、装置及存储介质 - Google Patents
提取船舶航迹线特征的处理方法、系统、装置及存储介质 Download PDFInfo
- Publication number
- CN114357232A CN114357232A CN202111434953.5A CN202111434953A CN114357232A CN 114357232 A CN114357232 A CN 114357232A CN 202111434953 A CN202111434953 A CN 202111434953A CN 114357232 A CN114357232 A CN 114357232A
- Authority
- CN
- China
- Prior art keywords
- ship
- data
- longitude
- trajectory
- latitude
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Navigation (AREA)
Abstract
本发明公开了一种提取船舶航迹线特征的处理方法、系统及装置。该方法通过获取船舶的AIS动态数据,并对AIS动态数据中的经纬度数据进行预处理,从而提高后续步骤中处理数据的效率。将预处理后的经纬度数据转换为船舶轨迹图像数据,根据船舶轨迹图像数据获取航迹线的空间特征和辅助特征,通过获取空间特征和辅助特征对模型进行训练,能够使模型的仿真结果更加符合实际情况。再根据空间特征和辅助特征,通过船舶航迹线特征提取模型生成航迹线的分类结果,能够以更高的准确率来提取船舶航迹线的特征。本发明可广泛应用于船舶行为模式识别技术领域内。
Description
技术领域
本发明涉及船舶行为模式识别技术领域,尤其是一种提取船舶航迹线特征的处理方法、系统、装置及存储介质。
背景技术
船舶航迹线是船舶航行期间的位置和时间记录序列,船舶航迹线特征提取作为一种轨迹数据分析的具体研究,可以帮助海事监管人员确定船舶航迹线所属的航道,挖掘其中的航行模式以及行为模式。
相关技术中,有大量的机器学习算法被提出并应用于船舶航迹线特征提取的研究中,如支持向量机模型算法、随机森林算法、稀疏表示算法等。这些提取船舶航迹线特征的处理方法,对船舶航迹线空间特征信息利用较少,并且在船舶航迹线航向、航速等特征提取过程过于繁琐。
发明内容
本发明的目的在于至少一定程度上解决现有技术中存在的技术问题之一。
为此,本发明实施例的一个目的在于提供一种提取船舶航迹线特征的处理方法、系统、装置和介质,其能够以更高的准确率来提取船舶航迹线的特征。
为了达到上述技术目的,本发明实施例所采取的技术方案包括:
一方面,本发明实施例提供了一种提取船舶航迹线特征的处理方法,包括以下步骤:
获取船舶的AIS动态数据,所述AIS动态数据包括经纬度数据;
对所述经纬度数据进行预处理;
将预处理后的经纬度数据转换为船舶轨迹图像数据;
根据所述船舶轨迹图像数据获取航迹线的空间特征和辅助特征;
根据所述空间特征和所述辅助特征,通过船舶航迹线特征提取模型生成航迹线的分类结果。
进一步地,所述对所述经纬度数据进行预处理这一步骤,具体包括:
统一所述船舶轨迹图像数据的数据格式;
剔除所述船舶轨迹图像数据中的异常数据;
将所述船舶轨迹图像数据标准化。
进一步地,所述将预处理后的经纬度数据转换为船舶轨迹图像数据这一步骤,具体包括:
根据所述经纬度数据确定目标矩形区域;
通过所述目标矩形区域的长宽比确定所述目标矩形区域的分辨率;
根据所述经纬度数据确定经纬度坐标点的距离;
通过残差网络提取所述分辨率以及所述经纬度坐标点的距离,获得所述船舶轨迹图像数据。
进一步地,所述根据所述船舶轨迹图像数据获取航迹线的空间特征和辅助特征这一步骤,具体包括:
获取所述船舶轨迹图像数据中的所述分辨率以及所述经纬度坐标点的距离作为航迹线的空间特征;
根据所述船舶轨迹图像数据通过变分自编码器生成航迹线辅助特征。
进一步地,所述船舶航迹线特征提取模型的训练步骤,包括:
设置损失函数;
获取轨迹训练数据;
将所述轨迹训练数据输入至所述船舶航迹线特征提取模型进行训练。
进一步地,所述训练步骤还包括:
通过数据分析可视化工具分析所述模型的训练效果。
另一方面,本发明实施例提出了一种提取船舶航迹线特征的处理系统,包括:
第一模块,用于获取目标船舶的AIS动态数据,所述AIS动态数据包括经纬度数据;
第二模块,用于建立船舶航迹线特征提取模型;
第三模块,用于将所述目标船舶的AIS动态数据输入所述船舶航迹线特征提取模型,获取目标船舶的航迹线预测结果和分类结果。
进一步地,所述建立船舶航迹线特征提取模型的训练步骤,包括:
对所述经纬度数据进行预处理;
将预处理后的经纬度数据转换为船舶轨迹图像数据;
将所述船舶轨迹图像数据输入至所述船舶航迹线特征提取模型;
设置损失函数对所述船舶航迹线特征提取模型进行训练。
另一方面,本发明实施例提供了一种提取船舶航迹线特征的处理装置,包括:
至少一个处理器;
至少一个存储器,用于存储至少一个程序;
当所述至少一个程序被所述至少一个处理器执行时,使得所述至少一个处理器实现所述的提取船舶航迹线特征的处理方法。
另一方面,本发明实施例提供了一种存储介质,其中存储有处理器可执行的指令,所述处理器可执行的指令在由处理器执行时用于实现所述的提取船舶航迹线特征的处理方法。
本发明公开了一种提取船舶航迹线特征的处理方法,具备如下有益效果:
本实施例通过获取船舶的AIS动态数据,并对AIS动态数据中的经纬度数据进行预处理,从而提高后续步骤中处理数据的效率。将预处理后的经纬度数据转换为船舶轨迹图像数据,根据船舶轨迹图像数据获取航迹线的空间特征和辅助特征,通过获取空间特征和辅助特征对模型进行训练,能够使模型的仿真结果更加符合实际情况。再根据空间特征和辅助特征,通过船舶航迹线特征提取模型生成航迹线的分类结果,能够以更高的准确率来提取船舶航迹线的特征。
附图说明
为了更清楚地说明本发明实施例或者现有技术中的技术方案,下面对本发明实施例或者现有技术中的相关技术方案附图作以下介绍,应当理解的是,下面介绍中的附图仅仅为了方便清晰表述本发明的技术方案中的部分实施例,对于本领域的技术人员来说,在无需付出创造性劳动的前提下,还可以根据这些附图获取到其他附图。
图1为本发明实施例提供的一种提取船舶航迹线特征的处理方法的流程示意图;
图2为本发明实施例提供的一种船舶航迹线分析系统的模块示意图;
图3为本发明实施例提供的一种深度卷积神经网络的结构示意图;
图4为本发明实施例提供的一种提取船舶航迹线特征的处理系统的结构示意图;
图5为本发明实施例提供的一种提取船舶航迹线特征的处理装置的结构示意图。
具体实施方式
本部分将详细描述本发明的具体实施例,本发明之较佳实施例在附图中示出,附图的作用在于用图形补充说明书文字部分的描述,使人能够直观地、形象地理解本发明的每个技术特征和整体技术方案,但其不能理解为对本发明保护范围的限制。
在本发明实施例的描述中,若干的含义是一个或者多个,多个的含义是两个以上,大于、小于、超过等理解为不包括本数,以上、以下、以内等理解为包括本数,“至少一个”是指一个或者多个,“以下至少一项”及其类似表达,是指的这些项中的任意组合,包括单项或复数项的任意组合。如果有描述到“第一”、“第二”等只是用于区分技术特征为目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。
需要说明的是,本发明实施例中设置、安装、连接等词语应做广义理解,所属技术领域技术人员可以结合技术方案的具体内容合理确定上述词语在本发明实施例中的具体含义。例如,术语“连接”可以是机械连接,也可以是电连接或可以相互通讯;可以是直接相连,也可以通过中间媒介间接相连。
在本发明实施例的描述中,参考术语“一个实施例/实施方式”、“另一实施例/实施方式”或“某些实施例/实施方式”、“在上述实施例/实施方式”等的描述意指结合实施方式或示例描述的具体特征、结构、材料或者特点包含于本公开的至少两个实施例或实施方式中。在本公开中,对上述术语的示意性表述不一定指的是相同的示实施例或实施方式。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或实施方式中以合适的方式结合。
需要说明的是,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
航迹,是指船舶或水上飞行器等航行时的轨迹。船舶在航行中,会受到各种因素的影响和干扰而产生航行误差,所以航迹一般不会是直线。常将相邻推算船位的连线称为推算航迹,相邻观测船位的连线称为实际航迹。
船舶航迹线是船舶航行期间的位置和时间记录序列,船舶航迹线特征提取作为一种轨迹数据分析的具体研究,可以帮助海事监管人员确定船舶航迹线所属的航道,挖掘其中的航行模式以及行为模式。
目前,船舶航迹线特征提取的研究中使用了大量机器学习算法,如支持向量机模型算法、随机森林算法、稀疏表示算法等。但是这些船舶航迹线特征的提取方法存在着对船舶航迹线空间特征信息利用率少的问题,并且这些方法的提取过程过于繁琐,效率低下。
为此,本申请提出了一种提取船舶航迹线特征的处理方法、系统、装置和介质,通过获取目标船舶的AIS动态数据,接着建立船舶航迹线特征提取模型,并对船舶航迹线特征提取模型进行训练,再将所述目标船舶的AIS动态数据输入至训练好的船舶航迹线特征提取模型,获取目标船舶的航迹线预测结果和分类结果。通过这种方法能够以更高的准确率来提取船舶航迹线的特征。
参照图1,本发明实施例提供了一种提取船舶航迹线特征的处理方法。本方案可应用于图2所示的船舶航迹线分析系统中。AIS数据采集模块201用于AIS数据,存储器203用于存储船舶航迹线图像、经纬度和航向角等数据,处理器202通过调用存储器203中的数据完成本实施例提供了一种提取船舶航迹线特征的处理方法。
参照图2,图2是本申请各实施例涉及的船舶航迹线分析系统的模块示意图。本申请实施例中,数据汇聚系统可以包括:通信总线、AIS数据采集模块201、处理器202(例如中央处理器Central Processing Unit、CPU)和存储器203。其中,通信总线用于实现这些组件之间的连接通信;输入端口用于数据输入;输出端口用于数据输出,存储器203可以是高速RAM 存储器,也可以是稳定的存储器(non-volatile memory),例如磁盘存储器,存储器203可选的还可以是独立于前述处理器202的存储装置。本领域技术人员可以理解,图2中示出的硬件结构并不构成对本申请的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
作为一种可读存储介质的存储器203可以包括操作系统、应用程序模块以及分布式平台的控制程序。在图2中,AIS数据采集模块201主要用于采集AIS数据,并传输至处理器202 中;而处理器202可以调用存储器203中存储的船舶航迹线分析的控制程序,并执行本申请实施例提供的提取船舶航迹线特征的处理方法。
需要说明的是,本申请实施例中仅示例性地给出船舶航迹线分析系统的一部分模块,船舶航迹线分析系统还可以包括其他现有的船舶航迹线分析系统中包含的其他部件,以实现相应的功能,具体不作限定。
基于图2所示的船舶航迹线分析系统,如图1所示,本实施例提供了一种提取船舶航迹线特征的处理方法,包括但不限于步骤S101、S102、S103、S104和S105:
S101、获取船舶的AIS动态数据,AIS动态数据包括经纬度数据。
需要说明的是,AIS动态数据是指通过AIS技术得到的数据,卫星AIS是一种船舶定位技术,通过低轨道的卫星接收船舶发送的AIS报文信息,卫星将接收和解码AIS报文信息转发给相应的地球站,从而让陆地管理机构掌握船舶的相关动态信息,实现对远海海域航行船舶的监控。而步骤S101中的AIS动态数据可以通过AIS数据采集模块进行获取,AIS数据采集模块 201可以通过网络通讯与船舶综合航行系统进行连接,从而读取其中的AIS动态数据;AIS数据采集模块201也通过API接口接入船舶综合航行系统,从而获取AIS动态数据,本领域技术人员可以根据实际情况确定具体的获取方式。其中,AIS动态数据包括航迹线的经纬度数据。
S102、对经纬度数据进行预处理。
可选地,步骤S102可进一步包括以下步骤:
统一所述船舶轨迹图像数据的数据格式;
剔除所述船舶轨迹图像数据中的异常数据;
将所述船舶轨迹图像数据标准化。
在步骤S102中,需要对获取到的AIS动态数据进行预处理,即需要统一所述船舶轨迹图像数据的数据格式;剔除所述船舶轨迹图像数据中的异常数据;将所述船舶轨迹图像数据标准化。因为AIS动态数据有各种各样的格式,对各种类型的数据进行分散处理会使用户在处理大批量数据时耗费过多的时间和精力,所以统一数据能够有效提高数据处理的效率。接着,AIS动态数据可能含有异常的数据,需要对AIS动态数据进行数据清洗,从而剔除船舶轨迹图像数据中的异常数据,数据清洗是指对数据进行重新审查和校验的过程,目的在于删除重复信息、纠正存在的错误,并提供数据一致性。这是发现并纠正数据文件中可识别的错误的工序,包括检查数据一致性,处理无效值和缺失值等。然后,将船舶轨迹图像数据标准化,即以所检测水域经纬度最大最小值为基准,对数据采用最大最小值归一化,使所有数据取值范围在[0,1]之间。
S103、将预处理后的经纬度数据转换为船舶轨迹图像数据。
可选地,步骤S103可进一步包括以下步骤:
根据所述经纬度数据确定目标矩形区域;
通过所述目标矩形区域的长宽比确定所述目标矩形区域的分辨率;
根据所述经纬度数据确定经纬度坐标点的距离;
通过残差网络提取所述分辨率以及所述经纬度坐标点的距离,获得所述船舶轨迹图像数据。
在步骤S103中,需要将轨迹经纬度数据转换为船舶轨迹图像数据,从而提取了船舶航迹线的空间特征。首先将实验数据所在水域看作一个矩形区域,通过计算矩形区域的长和宽,得到长宽比以确定图像分辨率。考虑到图像分辨率越高所需的计算成本越高,深度卷积神经网络的计算效率也会越低,本申请将分辨率设置为112*72,使[49.06,48.90]的纬度值映射到像素点[0,71]的范围内,[-123.42,-123.03]的经度值映射到像素点[0,111]范围内。接着,使用Haversine公式计算两经纬度坐标点之间的距离。然后,通过ResNet50来提取其航迹线的空间特征。其中,Haversine公式也叫半正矢公式,通过半正矢公式能够根据经纬度计算两点间距离。
S104、根据船舶轨迹图像数据获取航迹线的空间特征和辅助特征。
可选地,步骤S104可进一步包括以下步骤:
获取所述船舶轨迹图像数据中的所述分辨率以及所述经纬度坐标点的距离作为航迹线的空间特征;
根据所述船舶轨迹图像数据通过变分自编码器生成航迹线辅助特征。
通过上述S103步骤可以获得含有分辨率以及经纬度坐标点的距离的船舶轨迹图像数据,将分辨率以及经纬度坐标点的距离作为航迹线的空间特征,再通过变分自编码器来从航迹线图像数据中提取航向角平均变化率、最大和最小曲率作为航迹线的辅助特征,设置模型的超参数和损失函数,并对所述模型进行无监督训练。
S105、根据空间特征和辅助特征,通过船舶航迹线特征提取模型生成航迹线的分类结果。
其中,船舶航迹线特征提取模型的训练包括以下步骤:
设置损失函数;
获取轨迹训练数据;
将所述轨迹训练数据输入至所述船舶航迹线特征提取模型进行训练。
具体地,向变分自编码器输入航迹线图像数据,可以获得航向角平均变化率、最大和最小曲率。结合模型任务,设定模型的损失函数如下(在模型训练过程中,该损失函数的值越小越好,以损失函数达到全局极小值作为训练结束条件):
其中x是需要进行轨迹特征提取的AIS动态数据;z为x所对应的隐变量,在本实例中,以上述的长江三峡某水域为例,为维度为16的向量;为原始AIS动态数据所具有的概率分布,客观存在,但无法直接求得;q(x|z)为均值为G(x),方差为常数的正态分布,即解码器的输出;p(z|x)是均值为μ(x),方差为δ2(x)的正态分布,μ(x)和δ2(x)是通过神经网络得到的结果,即编码器的输出;q(z)是标准正态分布。
IEz~p(z|x)即为在z分布为p(z|x)的情况下求表达式的期望。使用Adam优化算法求解该损失函数的最小值。
接着,获取轨迹训练数据对模型进行训练。其中,轨迹训练数据可以通过AIS数据采集模块201采集作为训练用的AIS数据。具体地,基于ResNet50构建的船舶航迹线特征提取模型如图3所示,该结构由五个卷积块依次堆叠而成,每一个卷积块中都包含残差网络子结构,不同卷积块中的残差网络子结构具有不同的卷积核数目。网络模型的输入层维度参数可以设置为112*72*3,Mini Batch Size可以设置为64,输出层类别可以设置为5。该模型的迭代次数可以设置为20,随着迭代次数的增加,模型的loss曲线整体呈收敛趋势,在第4至第8次迭代之间出现小幅度的波动,但最终收敛至0.04附近,得到训练好的模型。将训练所述图像特征提取模型的训练数据在训练好的模型中再执行一次,得到变分自编码器所有编码后再解码的数据。随着迭代次数的增加,船舶航迹线图像特征提取模型的loss曲线整体呈收敛趋势。训练结果说明模型学习到了船舶航迹线图像的数据特征,模型训练达到预期效果。
可选地,本申请实施例的一种提取船舶航迹线特征的处理方法还可以进一步包括以下步骤:
通过数据分析可视化工具分析所述模型的训练效果。
本实施例通过使用Tensorflow中的Tensorboard数据分析可视化工具,分析模型训练效果。其中,TensorFlow是一个基于数据流编程的符号数学系统,被广泛应用于各类机器学习算法的编程实现。Tensorfllow拥有多层级结构,可部署于各类服务器、PC终端和网页并支持GPU 和TPU高性能数值计算。
基于前面描述,以船舶航迹线分析系统为例,如图2所示,本申请实施例的一种提取船舶航迹线特征的处理方法具体包括以下步骤:
S101、获取船舶的AIS动态数据,AIS动态数据包括经纬度数据。
S102、对经纬度数据进行预处理。
S103、将预处理后的经纬度数据转换为船舶轨迹图像数据。
S104、根据船舶轨迹图像数据获取航迹线的空间特征和辅助特征。
S105、根据空间特征和辅助特征,通过船舶航迹线特征提取模型生成航迹线的分类结果。
示例性地,首先需要获取船舶的AIS动态数据,AIS动态数据包括经纬度数据,AIS动态数据可以通过AIS数据采集模块进行获取,AIS数据采集模块201可以通过网络通讯与船舶综合航行系统进行连接,从而读取其中的AIS动态数据;AIS数据采集模块201也通过API 接口接入船舶综合航行系统,从而获取AIS动态数据。接着,因为AIS动态数据存在着数据格式和含有异常数据等问题不统一,所以需要对经纬度数据进行预处理,即需要统一所述船舶轨迹图像数据的数据格式;剔除所述船舶轨迹图像数据中的异常数据;将所述船舶轨迹图像数据标准化。然后,将预处理后的经纬度数据转换为船舶轨迹图像数据,首先将实验数据所在水域看作一个矩形区域,通过计算矩形区域的长和宽,得到长宽比以确定图像分辨率。接着,使用Haversine公式计算两经纬度坐标点之间的距离。然后,通过ResNet50来提取其航迹线的空间特征。在获取到船舶轨迹图像数据后,根据船舶轨迹图像数据通过变分自编码器生成航迹线辅助特征,向变分自编码器输入航迹线图像数据,可以获得航向角平均变化率、最大和最小曲率。在获取到空间特征和辅助特征后,通过船舶航迹线特征提取模型即可生成航迹线的分类结果。
由上述内容可知,本申请通过获取目标船舶的AIS动态数据,接着建立船舶航迹线特征提取模型,并对船舶航迹线特征提取模型进行训练,再将所述目标船舶的AIS动态数据输入至训练好的船舶航迹线特征提取模型,获取目标船舶的航迹线预测结果和分类结果。通过这种方法能够以更高的准确率来提取船舶航迹线的特征。另外,本发明提出的模型达到了98.72%的准确率,高于全连接神经网络模型93.53%的准确率和模型支持向量机91.73%的准确率。
参照图4,本发明实施例提出的一种提取船舶航迹线特征的处理系统,包括:
第一模块401,用于获取船舶的AIS动态数据,所述AIS动态数据包括经纬度数据;
第二模块402,用于对所述经纬度数据进行预处理;
第三模块403,用于将预处理后的经纬度数据转换为船舶轨迹图像数据;
第四模块404,用于根据所述船舶轨迹图像数据获取航迹线的空间特征和辅助特征;
第五模块405,用于根据所述空间特征和所述辅助特征,通过船舶航迹线特征提取模型生成航迹线的分类结果。
上述方法实施例中的内容均适用于本系统实施例中,本系统实施例所具体实现的功能与上述方法实施例相同,并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
参照图5,本发明实施例提供了一种提取船舶航迹线特征的处理装置,包括:
至少一个处理器501;
至少一个存储器502,用于存储至少一个程序;
当所述至少一个程序被所述至少一个处理器501执行时,使得所述至少一个处理器501 实现图1所示的提取船舶航迹线特征的处理方法。
上述方法实施例中的内容均适用于本装置实施例中,本装置实施例所具体实现的功能与上述方法实施例相同,并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
本发明实施例还提供了一种存储介质,其中存储有处理器可执行的指令,所述处理器可执行的指令在由处理器执行时用于实现图1所示提取船舶航迹线特征的处理方法。
以上是对本发明的较佳实施进行了具体说明,但本发明并不限于所述实施例,熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换,这些等同的变形或替换均包含在本申请权利要求所限定的范围内。
Claims (10)
1.一种提取船舶航迹线特征的处理方法,其特征在于,包括以下步骤:
获取船舶的AIS动态数据,所述AIS动态数据包括经纬度数据;
对所述经纬度数据进行预处理;
将预处理后的经纬度数据转换为船舶轨迹图像数据;
根据所述船舶轨迹图像数据获取航迹线的空间特征和辅助特征;
根据所述空间特征和所述辅助特征,通过船舶航迹线特征提取模型生成航迹线的分类结果。
2.根据权利要求1所述的提取船舶航迹线特征的处理方法,其特征在于,所述对所述经纬度数据进行预处理这一步骤,具体包括:
统一所述船舶轨迹图像数据的数据格式;
剔除所述船舶轨迹图像数据中的异常数据;
将所述船舶轨迹图像数据标准化。
3.根据权利要求1所述的提取船舶航迹线特征的处理方法,其特征在于,所述将预处理后的经纬度数据转换为船舶轨迹图像数据这一步骤,具体包括:
根据所述经纬度数据确定目标矩形区域;
通过所述目标矩形区域的长宽比确定所述目标矩形区域的分辨率;
根据所述经纬度数据确定经纬度坐标点的距离;
通过残差网络提取所述分辨率以及所述经纬度坐标点的距离,获得所述船舶轨迹图像数据。
4.根据权利要求3所述的提取船舶航迹线特征的处理方法,其特征在于,所述根据所述船舶轨迹图像数据获取航迹线的空间特征和辅助特征这一步骤,具体包括:
获取所述船舶轨迹图像数据中的所述分辨率以及所述经纬度坐标点的距离作为航迹线的空间特征;
根据所述船舶轨迹图像数据通过变分自编码器生成航迹线辅助特征。
5.根据权利要求1所述的提取船舶航迹线特征的处理方法,其特征在于,所述船舶航迹线特征提取模型的训练步骤,包括:
设置损失函数;
获取轨迹训练数据;
将所述轨迹训练数据输入至所述船舶航迹线特征提取模型进行训练。
6.根据权利要求5所述的提取船舶航迹线特征的处理方法,其特征在于,所述训练步骤还包括:
通过数据分析可视化工具分析所述模型的训练效果。
7.一种提取船舶航迹线特征的处理系统,其特征在于,包括:
第一模块,用于获取船舶的AIS动态数据,所述AIS动态数据包括经纬度数据;
第二模块,用于对所述经纬度数据进行预处理;
第三模块,用于将预处理后的经纬度数据转换为船舶轨迹图像数据;
第四模块,用于根据所述船舶轨迹图像数据获取航迹线的空间特征和辅助特征;
第五模块,用于根据所述空间特征和所述辅助特征,通过船舶航迹线特征提取模型生成航迹线的分类结果。
8.根据权利要求7所述的提取船舶航迹线特征的处理系统,其特征在于,所述建立船舶航迹线特征提取模型的训练步骤,包括:
设置损失函数;
获取轨迹训练数据;
将所述轨迹训练数据输入至所述船舶航迹线特征提取模型进行训练。
9.一种提取船舶航迹线特征的处理装置,其特征在于,包括:
至少一个处理器;
至少一个存储器,用于存储至少一个程序;
当所述至少一个程序被所述至少一个处理器执行,使得所述至少一个处理器实现如权利要求1-6中任一项所述的提取船舶航迹线特征的处理方法。
10.一种计算机可读存储介质,其中存储有处理器可执行的指令,其特征在于,所述处理器可执行的指令在由处理器执行时用于实现如权利要求1-6中任一项所述的提取船舶航迹线特征的处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111434953.5A CN114357232A (zh) | 2021-11-29 | 2021-11-29 | 提取船舶航迹线特征的处理方法、系统、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111434953.5A CN114357232A (zh) | 2021-11-29 | 2021-11-29 | 提取船舶航迹线特征的处理方法、系统、装置及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114357232A true CN114357232A (zh) | 2022-04-15 |
Family
ID=81097035
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111434953.5A Pending CN114357232A (zh) | 2021-11-29 | 2021-11-29 | 提取船舶航迹线特征的处理方法、系统、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114357232A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115218919A (zh) * | 2022-09-21 | 2022-10-21 | 泽景(西安)汽车电子有限责任公司 | 航迹线的优化方法、系统和显示器 |
-
2021
- 2021-11-29 CN CN202111434953.5A patent/CN114357232A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115218919A (zh) * | 2022-09-21 | 2022-10-21 | 泽景(西安)汽车电子有限责任公司 | 航迹线的优化方法、系统和显示器 |
CN115218919B (zh) * | 2022-09-21 | 2022-12-13 | 泽景(西安)汽车电子有限责任公司 | 航迹线的优化方法、系统和显示器 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11270190B2 (en) | Method and apparatus for generating target neural network structure, electronic device, and storage medium | |
CN110148085B (zh) | 人脸图像超分辨率重建方法及计算机可读取的存储介质 | |
US11132551B2 (en) | Systems and methods for skyline prediction for cyber-physical photovoltaic array control | |
WO2021189844A1 (zh) | 多元kpi时间序列的检测方法、装置、设备及存储介质 | |
CN111899168B (zh) | 一种基于特征增强的遥感影像超分辨率重建方法和系统 | |
CN113657397B (zh) | 循环生成网络模型的训练方法、建立字库的方法和装置 | |
CN113792851B (zh) | 字体生成模型训练方法、字库建立方法、装置及设备 | |
CN111079374B (zh) | 字体生成方法、装置和存储介质 | |
CN112215298A (zh) | 模型训练方法、装置、设备及可读存储介质 | |
CN113838064B (zh) | 一种基于分支gan使用多时相遥感数据的云去除方法 | |
CN112214342B (zh) | 一种联邦学习场景中高效的错误数据检测方法 | |
CN116543388B (zh) | 一种基于语义引导信息的条件式图像生成方法及相关装置 | |
CN114863062B (zh) | 基于点、体素特征表示的工业场景3d点云模型构建方法 | |
CN114357232A (zh) | 提取船舶航迹线特征的处理方法、系统、装置及存储介质 | |
CN115147632A (zh) | 基于密度峰值聚类算法的图像类别自动标注方法及装置 | |
CN115272681A (zh) | 基于高阶特征类解耦的海洋遥感图像语义分割方法及系统 | |
CN113127697A (zh) | 图布局优化方法和系统、电子设备及可读存储介质 | |
CN112270259A (zh) | 基于轻量级卷积神经网络的sar图像舰船目标快速检测方法 | |
CN111815520A (zh) | 一种基于gpu-cuda编码模型的遥感影像快速处理方法 | |
CN115001937B (zh) | 面向智慧城市物联网的故障预测方法及装置 | |
CN111860557A (zh) | 图像处理方法及装置、电子设备及计算机存储介质 | |
CN111815658B (zh) | 一种图像识别方法及装置 | |
CN114723877A (zh) | 一种针对三维稀疏卷积网络的对抗样本生成方法 | |
CN113222872A (zh) | 图像处理方法、装置、电子设备及介质 | |
CN113792849A (zh) | 字符生成模型的训练方法、字符生成方法、装置和设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |